在青云于7月28日举办的,主题为“科技,洞见未来”的QingCloud Insight 2016大会上,青云CTO甘泉为我们一起梳理了从青云第一款产品正式发布到现在这三年的时间里,青云都做了哪些事,青云的研发情况是怎样的。
ZD至顶网专访间在会议期间约请青云CTO甘泉做了独家专访。甘泉表示,青云有很强的的技术基因,本次大会有几个新品发布的重点,包括分布式存储2.0,Container Instance(基于容器的主机)以及Application Center应用中心2.0等。青云今年主要的发展战略将围绕以应用为中心来展开,致力于打造一个开放的云生态。
以下为访谈实录:
ZD至顶网:各位网友,大家好!欢迎回到青云大会的现场,现在请到的是青云的CTO甘泉,您在青云大会上比较有发言权,您在这边有一个演讲,主要介绍我们几个产品。由您跟我们几个网友推荐,您觉得有哪几个解决方案和产品最不容错过?
甘泉:本次青云用户大会,我主要谈到2015-2016年青云已经做的产品和我们即将发布的新产品,有几个是我们这次发布的重点,一是我们分布式存储2.0,那是解决我们以前分布式存储的一些问题,为我们应用中心的建设打好基础;二是我们的Container Instance(基于容器的主机),这是对我们虚拟化主机有利的补充;三是我们重点推出青云的Application Center应用中心2.0,这是贯彻青云今年的发展战略,以应用为中心的发展战略,托管平台是我们的应用中心2.0,它解决几个重要的问题,一是如何让应用能够以非常低的门槛快速接入到青云平台中;二是如何让应用在青云的平台上能够在超大规模部署的切断下顺利运行,这两点对我们IaaS平台提出很高的要求,另一方面对于我们的应用中心本身的架构设计也提出了很高的要求。所有的这些都会反映在应用中心2.0的发布上,到时候大家会看到一个非常好用,而且非常强大的平台。
ZD至顶网:这是对用户的贡献。我们在这个会上提到生态这个词,在您看来青云的生态是一个什么样的生态?
甘泉:黄允松在他的演讲里有所阐述,对于青云的生态而言,我们希望这个生态不是闭环,而是一个开放的生态,现在经常看到有些云做得很大,他们的生态基本上是所谓的闭环,你在我平台上享用的服务都是我开发的,如果不用我的话,就没得选。对于青云而言,我们希望尽量弱化青云的应用,就像我们用手机,你用苹果自己开发的服务,相信有90%的应用都不是苹果开发的。我们希望做成这样的生态,对于我们而言,我们将集中力量在平台的建设上,而不是在应用的建设上。对于用户而言有多种选择,我们只是希望能够为这个生态打造一个良好的平台给大家使用。
ZD至顶网:青云一直是以开放的姿态面对客户,所以大会的主题是“科技洞见未来”。青云在创业至今有四年多时间,未来青云的路大概是怎样的前景?
甘泉:青云一直希望以中立,以纯粹的平台提供商、工具提供商这方式在云计算行业立足。我们的野心并不是建立一个帝国,有很多中国企业最终都会变成一个大的帝国,对于青云而言,我们希望在未来的时间里更多的潜心于基础设施或者比较深层次领域的建设,它的好处是跟我们以应用为中心的发展战略一脉相承,意思是我们将来上层平台之上的应用将会异彩纷呈,我们青云将会做好这种基础设施平台的建设,就像苹果要做好它自己的手机一样,对于青云而言,要把系统做好,这就是我们诉求。
ZD至顶网:通过大会可以看到青云在这个领域的努力方向,非常感谢。您对这个大会最大的期待和愿望是什么?
甘泉:这一届大会已经超出我的想象,去年我们还是一个小规模,今年能做到这么大规模,一方面要感谢我们市场团队和推广团队的努力,另一方面要感谢大家对青云的厚爱,这一点让我非常感动。
ZD至顶网:对,是用户的肯定一直推动着青云往前走,非常感谢青云CTO甘泉先生的采访。
好文章,需要你的鼓励
是德科技高级副总裁兼通信解决方案事业部总裁Kailash Narayanan现场指出,算力固然重要,但如果能耗过高,技术的实用性将大打折扣,因此,所有的高速、高性能计算,都必须在极低的功耗下实现,这是AI等技术能否大规模落地的核心前提。
DeepSeek-AI团队通过创新的软硬件协同设计,仅用2048张GPU训练出性能卓越的DeepSeek-V3大语言模型,挑战了AI训练需要海量资源的传统观念。该研究采用多头潜在注意力、专家混合架构、FP8低精度训练等技术,大幅提升内存效率和计算性能,为AI技术的民主化和可持续发展提供了新思路。
来自上海交通大学和浙江大学等机构的研究团队开发出首个AI"记忆操作系统"MemOS,解决了AI系统无法实现人类般持久记忆和学习的根本限制。该系统将记忆视为核心计算资源进行调度、共享和演化,在时间推理任务中相比OpenAI记忆系统性能提升159%。MemOS采用三层架构设计,通过标准化记忆单元实现跨平台记忆迁移,有望改变企业AI部署模式。
加拿大女王大学研究团队首次系统评估了大型视频语言模型的因果推理能力,发现即使最先进的AI在理解视频中事件因果关系方面表现极差,大多数模型准确率甚至低于随机猜测。研究创建了全球首个视频因果推理基准VCRBench,并提出了识别-推理分解法(RRD),通过任务分解显著提升了AI性能,最高改善幅度达25.2%。